[发明专利]一种基于步态信息的运动识别和疲劳检测方法及系统

权利要求书

1.一种基于步态信息的运动识别和疲劳检测方法，其特征在于，包括：

步骤1：采集用户的当前步态信息；

步骤2：对步骤1采集的当前步态信息进行数据处理，并根据若干个预设的运动识别与疲劳分类模型对处理后的数据进行识别，识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果；

其中，一个所述运动识别与疲劳分类模型对应一类所述当前步态信息，一个所述运动识别与疲劳分类模型对应一个所述分类结果；

所述若干个预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据并进行预处理，并将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成的；

其中，所述用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息包括三轴加速度、三轴角速度和三轴姿态角，所述若干个预设的运动识别与疲劳分类模型包括与所述三轴加速度、三轴角速度和三轴姿态角分别在X、Y、Z轴上的九类数据一一对应的九个运动识别与疲劳分类模型；

步骤3：将所述若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。

2.根据权利要求1所述的方法，其特征在于，在构建所述若干个预设的运动识别与疲劳分类模型的过程，对所述样本数据进行预处理，包括：

根据所述步态信息中数据的周期性变化规律对所述样本数据进行步态周期划分；

根据所述样本数据中的数据类型对划分后的样本数据集划分若干子数据集；其中，所述若干个子数据集的数量与当前步态信息的类型数量相同；

根据十等分分层随机分割交叉验证方法分别将所述若干子数据集划分为训练集和测试集，并将所述训练集和所述测试集中的数据除以相对应数据集中的最大值以得到包含标准化输入数据的训练集和测试集；

其中，所述标准化输入数据的大小在-1到1的范围内。

3.根据权利要求2所述的方法，其特征在于，将预处理后的样本数据应用于机器学习中的基于集成学习的投票分类算法训练生成所述若干个预设的运动识别与疲劳分类模型，包括：

分别将所述若干子数据集的训练集中的数据作为机器学习的输入数据，采用机器学习中的装袋算法Bagging、随机森林Random Forests以及极端随机树Extremely RandomizedTree三个集成算法作为基于集成学习的投票分类算法的个体学习器，学习到若干个运动识别与疲劳分类模型；

其中，每个所述运动识别与疲劳分类模型的分类结果H(x)是根据如下公式计算而来：

其中，ω_i为第i个集成学习算法的个体学习器对应的权重，T为集成学习算法的个体学习器的个数，表示第i个集成学习算法的个体学习器针对样本x得到的类别j的分类结果，c表示样本数据的集合标记，所述分类结果H(x)是表示通过所有的个体学习器得到的数量权重最多的该类别的分类结果。

4.根据权利要求3所述的方法，其特征在于，还包括在生成所述若干个预设的运动识别与疲劳分类模型之后，对所述若干个运动识别与疲劳分类模型进行调节以进一步优化模型的过程，执行过程如下：

步骤51：将所述若干个子数据集的测试集的数据作为所述若干个运动识别与疲劳分类模型的输入数据得到若干个分类结果；

步骤52：将所述若干个分类结果按照“少数服从多数”的原则得到最终结果F(x)：

其中，为第i个运动识别与疲劳分类模型对测试集的类别j的分类结果，N为运动识别与疲劳分类模型的个数，c表示样本数据的集合标记，所述最终结果F(x)是表示得到的所有运动识别与疲劳分类模型的分类结果中数量最多的一类分类结果；

步骤53：将所述最终结果与预存的已知结果进行比较得出分类结果的精度，并判断精度是否达到标准值；

步骤54：若精度未达到标准值，修改所述若干个运动识别与疲劳分类模型的参数并重复步骤51-53直至精度达到标准值，进而得到了分类精度达到标准值的运动识别与疲劳分类模型，其中，运动识别与疲劳分类模型的参数包括所述三个集成学习算法对应权重。